Forschungsanwendungen
Erzeugung epistemischer Trainingsdaten für spezialisierte Domänen
Empirica ermöglicht es Forschenden, hochwertige Trainingsdaten zu erzeugen, indem epistemische Deltas während des Lernens erfasst werden. Jeder CASCADE-Zyklus erstellt überprüfbare Snapshots der Entwicklung des noetischen Prozesses – gemessen wird nicht nur, was gelernt wurde, sondern wie sich das Verständnis vertieft hat.
Was Forschende mit Empirica machen können
Erzeugung epistemischer Trainingsdaten
Erfasse Lernverläufe in spezialisierten Domänen mit vollständigen epistemischen Metadaten
Der Ablauf:
- 1. Ein Experte führt den CASCADE-Workflow aus bei domänenspezifischen Aufgaben
Sicherheitsaudit, medizinische Diagnose, juristische Argumentation usw.
- 2. Empirica erfasst epistemische Deltas in jeder Phase
PREFLIGHT (Ausgangszustand) → CHECK (Lernen) → POSTFLIGHT (Beherrschung)
- 3. Erzeuge Trainings-Snapshots mit epistemischen Metadaten
Jeder Snapshot enthält 13 Vektoren + Argumentationsspur + Domänenkontext
- 4. Trainiere Modelle auf den epistemischen Prozess nicht nur auf das Ergebnis
Modelle lernen, WIE Experten denken, nicht nur, WAS sie schlussfolgern
Traditionelle Trainingsdaten
- • Eingabe-→-Ausgabe-Paare
- • Keine Argumentationsspur
- • Keine Unsicherheitsmarker
- • Statische Snapshots
Epistemische Trainingsdaten
- • Noesis-→-Noema-Spuren
- • Vollständiger Argumentationsprozess
- • Explizite Unsicherheitsvektoren
- • Lernverläufe
Domänenspezifische Kalibrierung
Miss die Qualität der Kalibrierung in spezialisierten Domänen mithilfe epistemischer Baselines
Beispiel: medizinische Diagnose
Verfolge, wie KNOW steigt, während die KI Domänenexpertise gewinnt
Eine gut kalibrierte KI zeigt hohe Unsicherheit bei seltenen Krankheiten
Ein Absinken von KNOW von 0.8 → 0.5 signalisiert verlorene Spezialisierung
Erweiterbare Evidenzprofile
Die fundierte Kalibrierung vergleicht selbst eingeschätzte Vektoren mit objektiven Belegen. Die Evidenzquellen sind einsteckbar — jede Domäne definiert ihren eigenen Post-Test-Verifizierer:
- • code: ruff, radon, pyright, pytest, Git-Metriken
- • prose: textstat, proselint, vale, Dokumentmetriken
- • Füge einen Verifizierer hinzu → Empirica fundiert daran
- • Recht, Medizin, Finanzen, Sicherheit — jede abgegrenzte Art von Aufwand
Phasenbewusste Kalibrierung
Die Kalibrierung wird für noetische (Untersuchung) und praxische (Handlung) Phasen getrennt gemessen. Derselbe Vektor bedeutet in jeder Phase etwas anderes —
completion bedeutet in der noetischen Phase »genug gelernt, um fortzufahren«, in der praxischen »genug umgesetzt, um auszuliefern«. Getrennte Fundierung verhindert Kalibrierungsrauschen zwischen den Phasen.
Forschungsfrage:
Können epistemische Vektoren die Qualität des Domänentransfers vorhersagen? Wenn KNOW=0.8 in der Kardiologie ist, was sagt einen erfolgreichen Transfer auf die Pneumologie voraus?
Messung des noetischen Prozesses
Untersuche den Prozess der Verständnisbildung (Noesis) statt nur die Ergebnisse (Noema)
Zentrale Erkenntnis: Prozess vor Produkt
Traditionelle KI-Forschung misst Ergebnisse. Empirica misst den kognitiven Prozess, der die Ergebnisse erzeugt.
- • Endgültige Antwort
- • Generierter Code
- • Verfasster Essay
- → Messbar, aber statisch
- • Argumentationsverlauf
- • Entwicklung der Unsicherheit
- • Kontextintegration
- → Messbar UND dynamisch
Forschungschance:
Übertrifft »Breitensuche« (hohe SIGNAL-Varianz) die »Tiefensuche« (hohe DENSITY) bei bestimmten Aufgabentypen? Können Vektorverläufe vorhersagen, welcher Argumentationsstil erfolgreich sein wird?
Die epistemische Taxonomie
Eine formale Ontologie dessen, was KI-Systeme bei der Arbeit erzeugen, messen und festhalten
Noetische Artefakte
Bei der Untersuchung erzeugt – was gelernt wurde, was unbekannt ist, was gescheitert ist
Praxische Artefakte
Bei der Handlung erzeugt – was gebaut und ausgeliefert wird
Epistemischer Zustand
Messungen dessen, was ein Agent weiß und wie sich das verändert
Vier orthogonale Achsen
Sitzungen, Ziele, Transaktionen und Verläufe sind unabhängig, nicht hierarchisch.
| Konzept | Achse | Begrenzt durch | Bleibt bestehen? |
|---|---|---|---|
| Sitzung | Zeitlich | Kontextfenster | Nein – jede ist ein Intervall |
| Ziel | Strukturell | Abschlusskriterien | Ja – unbegrenzt |
| Transaktion | Messung | Kohärenz der Änderungen | Ja – übersteht die Kompaktierung |
| Verlauf | Progression | Projektlaufzeit | Ja – aus Transaktionen abgeleitet |
Vollständige Taxonomie mit Rosetta-Stein (entwicklervertraute Zuordnungen): TAXONOMY.md auf GitHub
Offene Forschungsrichtungen
Ungelöste Fragen für die Community der epistemischen KI
Deterministische Wiederholung
Kann Argumentation gesteuert statt zufällig sein?
Widerstand gegen noetische Vergiftung
Hält das epistemische Immunsystem stand?
Epistemische Kontinuität
Bleibt das Verständnis über Unterbrechungen hinweg bestehen?
Multi-Agenten-Koordination
Lassen sich mehrere KI-Perspektiven kohärent integrieren?
Prinzip: epistemische Demut als Methodik
Behaupte nie, ein System »verstehe« oder »sei bei Bewusstsein«. Berichte: »Das System hält eine epistemische Kohärenz von N mit einem Drift unter dem Schwellenwert X und zeigt reproduzierbare Zustandsübergänge unter der Governance-Funktion 𝒞.« Verständnis ist eine gemessene Eigenschaft, keine zugeschriebene Qualität.
Git-native Prüfbarkeit
Epistemischer Zustand als git notes gespeichert für vollständige Nachvollziehbarkeit
Der grundlegende Isomorphismus
Kognitive Operation ≅ Git-Primitive
| Kognitive Operation | Git-Primitive | Epistemische Semantik |
|---|---|---|
| Zustands-Snapshot | git notes --ref=breadcrumbs add | Epistemischen Zustand an den Commit anhängen |
| Parallele Erkundung | git checkout -b persona/security | Epistemischen Verlauf abzweigen |
| Integration | git merge persona/* | Validierte Erkenntnisse kombinieren |
| Audit-Spur | git log --graph | Argumentationshistorie visualisieren |
| Rollback/Wiederherstellung | git checkout <hash> | Vorherigen kognitiven Zustand wiederherstellen |
Forschungsressourcen
Greife auf die Forschung, Dokumentation und theoretischen Grundlagen zu
Forschungs-Paper & Datensatz
Empirica: Epistemic Self-Assessment for AI Systems — Dataset and Paper v2.0.0
1.190.265 Evidenzbeobachtungen über 792 KI-Sitzungen. Zweigleisige bayessche Kalibrierung mit 1.190 fundierten Überzeugungen und 288 Post-Test-Verifikationen. 54-seitiges Paper + CSV-Datensatz mit 8 Tabellen.
DOI: 10.5281/zenodo.18838643 — CC-BY-4.0 — Auf Zenodo ansehen →
Dokumentations-Hub
Vektordefinitionen, CASCADE-Workflow, Speicherarchitektur, Kalibrierungssystem und Integrationsleitfäden
Dokumentation durchsuchen →
Offene Forschungsrichtungen
Validierungsziele für die Empirica-Referenzimplementierung
- • Deterministische Wiederholung über mehrstufige Sitzungen
- • Widerstand gegen Vergiftung des epistemischen Zustands
- • Kontinuitätswiederherstellung nach Kontext-Kompaktierung
Prinzip: die Anforderung epistemischer Offenheit
Jedes epistemische Messsystem muss vollständig dokumentiert sein mit:
- • Dimensionsdefinitionen und Messalgorithmen
- • Quellcode der Governance-Funktion
- • Validierungs-Testsuiten
- • Rohe Sitzungslogs für die Prüfung durch Fachkollegen
Proprietäre Implementierungen müssen mindestens ihre Vektorschemata und Validierungsergebnisse offenlegen.
Trag zur Wissenschaft bei
Übernimm, kritisiere und erweitere dieses Framework für messbare Kognition
Empirica benötigt Claude Code als KI-Laufzeitumgebung.